Informace o publikaci
Information Content Analysis in Automated Fluorescence Microscopy
| Autoři | |
|---|---|
| Rok publikování | 2010 |
| Druh | Účelové publikace |
| Fakulta / Pracoviště MU | |
| Citace | |
| Popis | Tématem dizertační práce je automatizovaná fluorescenční mikroskopie. Práce se zabývá zejména algoritmy pro automatickou analýzu informace obsažené v obraze. Tento koncept zavádíme jakožto zobecnění tradičních postupů automatizovaného ostření. Zmíněné algoritmy slouží pro automatický výběr oblastí a následné snímání obrazů s vysokou informační hodnotou (tedy takových, které obsahují zajímavé objekty), v našem případě ve fluorescenčním režimu. Důraz je kladen na přesnost a spolehlivost. S ohledem na fenomén známý jako photobleaching je i rychlost algoritmu klíčová. Klasické metody se obtížně vyrovnávají zejména s existencí více rovin s vysokou hodnotou obrazové informace (rovin ostrosti), v nichž by měl být obraz snímán. To je způsobeno značnou tloušťkou vzorku či prostě jen tím, že všechny objekty neleží ve stejné rovině. Pro konvenční režim (ve srovnání s konfokálním režimem) dokonce ani neznáme vhodnou funkci pro ohodnocení informace obsažené v obraze, bez ohledu na počet rovin s vysokou hodnotou obrazové informace. Celkově vzato, žádný z klasických přístupů neposkytuje uspokojivé výsledky. V této práci jsou tyto nedostatky popsány a demonstrovány na sadě příkladů. Práce poskytuje několik řešení nalezených problémů a vylepšení existujících přístupů. Za prvé, navrhneme funkci pro ohodnocení informace obsažené v obraze pro konvenční režim. Za druhé, vyvineme novou techniku pro detekci rovin s vysokou hodnotou obrazové informace, které často nerozpozná ani lidské oko. Tato technika je založena na dělení obrazu. Za třetí, navrhneme adaptivní algoritmus, jehož cílem je urychlení detekce více rovin s vysokou hodnotou obrazové informace. Práce rovněž poskytuje mnoho doporučení pro výběr a nastavení vhodných algoritmů a parametrů v nejrůznějších podmínkách. Metody navržené v této práci se na dostupných testovacích datech ukazují být lepší než předchozí přístupy a jsou tedy velice slibné z hlediska praktického využití. |
| Související projekty: |
|